Executive summary

서울시 내 공영주차장 분포 분석을 통해 도출한 insight는 다음과 같습니다.

1. 공영주차장은 거주민들의 주거주차 편의를 위해서라기 보다는, 시민들의 자가차량 이동 간 편의제공에 그 목적이 있다고 보임

2. 공영주차장은 주로 임대료가 높고 유동인구가 많은 지역에 집중 분포되어 있는것으로 보이며, 분포와 주차비 사이에는 양의 상관관계가 있음

3. 향후에도 공영주차장은 분포가 높은 지역에 집중될 것으로 보이나, 추가적인 정보 수집과 분석이 있어야 보다 구체적인 insight 도출이 가능할 것

조사 목적

배경

주차대란이라는 이야기를 심심치 않게 들을 수 있습니다. 저 역시도 자가차량 구입 이후 삶의 편의성이 많이 개선되었지만, 반대로 주차 문제로 스트레스를 겪는 경우도 심심찮게 마주하게 됩니다. 당장 서울대에서도 주차공간 부족으로 인해 남들보다 1~2시간 일찍 등교를 하는 자구책을 마련하는 등 자가차량 이용 시 주차에 대한 고민을 항상 하게 됩니다.

이에 서울시에서 운영하는 공영주차장의 위치, 분포 및 가격 정보를 조사하고, 과연 적절한 서비스가 제공되고 있는지 궁금증을 해결해 보고자 합니다. 필요 시 이종데이터와 결합하여 분석도 진행 할 예정이나, 이에 대한 구체적인 해결책을 논하지는 않을 예정입니다.

분석 절차

  1. 서울시 열린 데이터 광장의 open API를 활용
  • 서울시 주차정보안내시스템을 통해 약 666개의 서울시 공영주차장 데이터를 추출
  • 전처리를 거친 후 ggmap을 활용하여 분포와 가격수준 시각화
  1. 서울시 통계 사이트로부터 이종데이터 수집
  • 수집할 데이터는 지역구 별 인구/가구수 데이터, 민간주차장, 차량등록대수 등
  • 마찬가지로 ggmap을 활용하여, 지역구 단위 신규변수를 생성 및 비교
  1. 상기 자료를 토대로 insight 도출 시도

서울 시 공영 주차장 운영 현황 분석

서울시 열린 데이터 광장의 open API를 활용하여 데이터를 집계하였고, 주소는 다음와 같습니다:
이하 데이터 수집/처리/시각화/분석 과정을 참조하여 주십시오.
  1. 데이터 수집
  • 필수 라이브러리 호출(httr, rvest, dplyr)
library(httr)
library(rvest)
library(dplyr)
  • 데이터 수입을 위한 데이터 프레임 생성 및 자료 업데이트를 위한 csv 파일 호출

— 상기 API를 통해서는 최근 10,000번째 데이터까지만 호출 할 수 있음

— API의 출력값은 1개 노상주차장 내 모든 개별 주차공간의 좌표를 담고 있음

— 서울시 공영주차장 수는 666개로 추정하며, 중복값을 제외하고 총 666개의 obs.를 모을 때까지 반복적으로 업데이트 (1분 주기 업데이트)

parking_info = data.frame()
# 1회차 실행시에는 아래 코드 대신 비어있는 데이터 프레임 생성
original_set = read.csv('d:/github/r/visualization/final_proj/park_info.csv')[,-1]
# original_set = data.frame()
  • API 호출을 위한 key를 할당하고 반복문으로 크롤링을 수행하여 자료 축적
key = '6b46504b456b6f6f313130734d624851'

for (i in 0:9){
  # 시작번호는 1번부터 9,001까지 1,000개 단위로 호출
  start_num = i*1000+1                                                                 
  url = paste0('http://openapi.seoul.go.kr:8088/',
             key,
             '/xml/SearchParkingInfo/',
             start_num,
             '/',
             start_num+999)
  url_xml = read_xml(GET(url))
  # 노드명 row 기준으로 주차장 정보 필터
  item_list = xml_nodes(url_xml, 'row')                                                
  
  item_list = lapply(item_list, function(x) return(xml_text(xml_children(x))))
  item_dat = do.call('rbind',item_list)
  item_dat = data.frame(item_dat, stringsAsFactors = F)

  tmp = xml_nodes(url_xml, 'row') 
  colnames_dat = html_name(xml_children(tmp[[1]]))
  # 데이터 프레임화 및 열이름 부여
  colnames(item_dat) = colnames_dat                                                    
  
  # 미리 만들어 둔 데이터프레임(parking_info)에 크롤링 데이터 추가
  parking_info = rbind(parking_info ,item_dat)         
  # PARKING_CODE 기준으로 중복 자료 삭제
  parking_info = parking_info[!duplicated(parking_info$PARKING_CODE),]      
  # 에러 체크
  #print(i)                                                                             
}
  • 크롤링해온 자료 내 불필요한 정보를 제거하고(._summarized), 기존 정보와 비교하여 업데이트 진행(._renewed)

—처음에 불러온 ’park_info.csv’파일은 666개의 주차장 정보 수집 후 숫자가 늘지 않아, 총 공영 주차장 개수는 666개일 것으로 추정

# 불필요한 정보 제거 (개장시간, 주차장 종류 등)
parking_info_summarized = parking_info[c(1:3, 7, 8, 21, 22, 24:27)]
# 기존에 크롤링한 자료와 비교하여 업데이트 진행
parking_info_renewed = rbind(parking_info_summarized, original_set)
parking_info_renewed = parking_info_summarized[!duplicated(parking_info_summarized$PARKING_CODE),]
# 데이터가 추가 되었을 시 파일로 저장
if (dim(original_set)[1] < dim(parking_info_renewed)[1]){
  write.csv(parking_info_renewed, 'd:/github/r/visualization/final_proj/park_info.csv')
}
  1. 데이터 전처리
  • 업데이트한 주차장 정보를 재호출 후 분석을 위해 전처리 수행
# 데이터 재 호출 (factor > numeric)
PI = read.csv('d:/github/r/visualization/final_proj/park_info.csv')[,-1]
  • 주소 정보를 구 단위로 분류
# 주차장 주소를 구 단위로 분류하고 factor로 변환
PI$ADDR = as.factor(gsub('구 [가-힣0-9a-zA-Z ()~-]*', '구', PI$ADDR))
  • 주차 비용 표준화 (시간 당 주차료)
# 1. 시간당 주차료 산정 이전에 비어있는 값 배정
tmp = PI %>% filter(PAY_NM=='유료') %>% filter(ADD_RATES==0)
tmp$ADD_RATES = tmp$RATES
tmp$ADD_TIME_RATE = tmp$TIME_RATE
PI = rbind(tmp,PI)
PI = PI[!duplicated(PI$PARKING_CODE),]

# 2. 1번 조치에도 누락되어있는 데이터 수기로 추가 http://parking.seoul.go.kr/web/MapMain.aspx
PI[PI$PARKING_CODE%in%c(173141, 171802),]$ADD_RATES = PI[PI$PARKING_CODE%in%c(173141, 171802),]$RATES
PI[PI$PARKING_CODE%in%c(173141, 171802),]$ADD_TIME_RATE = PI[PI$PARKING_CODE%in%c(173141, 171802),]$TIME_RATE
PI[PI$PARKING_CODE==1010089,]$TIME_RATE = 0

# 3. 시간당 주차료를 계산하고, 무료주차장인 경우(is.nan)에는 0을 기입
attach(PI)
RATE_HOUR = RATES+ADD_RATES*(60-TIME_RATE)/ADD_TIME_RATE
RATE_HOUR[is.nan(RATE_HOUR)] = 0
detach(PI)

# 4. data.frame에 병합
PI = cbind(PI,RATE_HOUR)
PI = PI[,c(-5, -8:-11)]
  1. 탐색석 자료분석 기반으로 시각화
  • ggmap 활용 서울 데이터 변수호
library(ggmap)
library(RColorBrewer)
# 서울 기준 open street map 호출
SeoulMap = qmap("seoul", zoom = 11, scale = 4, maptype = "toner-lite", source= 'stamen', legend = "topleft", extent = 'device', size = c(1280,1280))
  • 서울 공영주차장 수용대수/가격 기준으로 시각화
map1 = SeoulMap +
  geom_point(aes(x = LNG, y = LAT, color = RATE_HOUR, size = CAPACITY), data = PI) + 
  theme(legend.title=element_text(size=8), legend.text = element_text(size = 7)) +
  scale_colour_gradientn(colours = brewer.pal(6, "OrRd")) + 
  labs(size = '수용대수', colour = '주차료') +
  coord_equal()

map1

  • 서울 공영주차장 분포 시각화
map2 = SeoulMap +
  geom_point(aes(x = LNG, y = LAT, color = RATE_HOUR, size = CAPACITY), data = PI) + 
  geom_density2d(aes(x = LNG, y = LAT, alpha = 0), bins = 6, data = PI) +
  stat_density2d(aes(x = LNG, y = LAT, fill = ..level.., alpha = ..level..), data = PI, geom = 'polygon') + 
  theme(legend.title=element_text(size=8), legend.text = element_text(size = 7)) +
  scale_colour_gradientn(colours = brewer.pal(6, "OrRd")) +
  labs(size = '수용대수', colour = '주차료', fill = '분포') + 
  scale_alpha(guide = 'none') +
  coord_equal()

map2

  1. 가결론 (분석)
  • 공공성 측면에서 공영주차장의 분포는 어느 정도 고르게 퍼져 있을 것이라 가정했었했지만, 오히려 일부 지역(영등포구, 중구)에 집중되어 있음을 알 수 있음
  • 공영주차장의 주차료 수준과 공영주차장의 밀집도는 유사한 모습을 보임
  • 지역구 별로 상기 현상을 설명할 수 있는 추가 정보를 수집/분석이 필요할 것으로 보임

서울 지역구 별 인구 데이터 취합

서울 통계 사이트에서 동 별 주민등록 인구 자료를 수집하였고, 주소는 다음와 같습니다:
이하 데이터 수집/처리/시각화/분석 과정을 참조하여 주십시오.
  1. 데이터 수집
  • 데이터는 상기 사이트에서 xls 형식으로 다운 받음 (API 미지원)
library(xlsx)
population = read.xlsx2('d:/github/r/visualization/final_proj/population_raw.xls', 1, encoding = 'utf-8', stringsAsFactors = F)
  1. 데이터 전처리
  • 지역구 단위 소계자료를 필터링 하였고, ‘세대’와, ’인구 합계’ 자료만 수집
pop_info = population[,2:5] %>% filter(동=='소계') %>% dplyr::select(-동)
colnames(pop_info) = c('ADDR', 'HOUSEHOLD', 'POPULATION')
for (i in 2:3)pop_info[,i] = as.numeric(pop_info[,i])
write.csv(pop_info, 'd:/github/r/visualization/final_proj/Population_refined.csv')
  • 서울시 공영주차장 정보를 지역구 단위로 요약 (수용대수:합계, 주차료:유료주차장평균)
PI_by_ADDR = PI%>%dplyr::group_by(ADDR)%>%dplyr::select(CAPACITY,RATE_HOUR)%>%summarise(CAPA = sum(CAPACITY), RATE = as.integer(mean(RATE_HOUR[RATE_HOUR!=0])))
  • 신규 변수 생성하여 하나의 데이터프레임으로 합침 (가구장 수용대수, 인구당 수용대수)
info_by_ADDR = left_join(PI_by_ADDR, pop_info, by = 'ADDR')
info_by_ADDR = info_by_ADDR %>% mutate(CAPA_HOUSE = CAPA/HOUSEHOLD, CAPA_POP = CAPA/POPULATION)
  • 시각화 작업을 위해 지역구 별 지리정보 수집
info_by_ADDR = cbind(info_by_ADDR, geocode(info_by_ADDR$ADDR))
#info_by_ADDR = read.csv('d:/github/r/visualization/final_proj/info_by_ADDR.csv', stringsAsFactors = F)[,-1]
info_by_ADDR
##        ADDR CAPA RATE HOUSEHOLD POPULATION  CAPA_HOUSE     CAPA_POP
## 1    강남구 4602 2980    233943     568425 0.019671458 0.0080960549
## 2    강동구  248 2700    180434     453060 0.001374464 0.0005473889
## 3    강북구 1459 2200    141999     330004 0.010274720 0.0044211585
## 4    강서구 2671 1755    250708     606823 0.010653828 0.0044016130
## 5    관악구 1082 1560    254395     523859 0.004253228 0.0020654413
## 6    광진구 1317 2578    159375     371728 0.008263529 0.0035429131
## 7    구로구 1982 1285    172050     445770 0.011519907 0.0044462391
## 8    금천구 1836 2307    105628     254711 0.017381755 0.0072081693
## 9    노원구 1222 2668    219460     566411 0.005568213 0.0021574440
## 10   도봉구  734 1900    136852     347941 0.005363458 0.0021095531
## 11 동대문구 2261 2171    159826     368050 0.014146634 0.0061431871
## 12   동작구  529 1720    172966     411217 0.003058405 0.0012864254
## 13   마포구 2057 2513    169407     388574 0.012142355 0.0052937150
## 14 서대문구  268 2280    137413     326412 0.001950325 0.0008210482
## 15   서초구 3185 2421    173417     447936 0.018366135 0.0071103908
## 16   성동구 3093 2007    131474     311831 0.023525564 0.0099188342
## 17   성북구  865 1737    188100     459276 0.004598618 0.0018833991
## 18   송파구 2581 1571    261155     667898 0.009883020 0.0038643625
## 19   양천구 4523 1523    176861     478119 0.025573756 0.0094599880
## 20 영등포구 5107 3382    166252     402967 0.030718427 0.0126734944
## 21   용산구 2013 2560    106603     243406 0.018883146 0.0082701330
## 22   은평구 1177 1254    201971     492835 0.005827569 0.0023882232
## 23   종로구  916 4839     73091     163521 0.012532323 0.0056017270
## 24     중구 2745 3934     59368     132838 0.046237030 0.0206642678
## 25   중랑구 1908 1828    178185     414783 0.010707972 0.0045999957
##         lon      lat
## 1  127.0473 37.51724
## 2  127.1238 37.53013
## 3  127.0257 37.63961
## 4  126.8495 37.55098
## 5  126.9516 37.47841
## 6  127.0823 37.53848
## 7  126.8874 37.49540
## 8  126.9020 37.45185
## 9  127.0568 37.65419
## 10 127.0471 37.66877
## 11 127.0400 37.57437
## 12 126.9393 37.51240
## 13 126.9084 37.56376
## 14 126.9368 37.57912
## 15 127.0324 37.48371
## 16 127.0371 37.56334
## 17 127.0182 37.58912
## 18 127.1066 37.51454
## 19 126.8664 37.51687
## 20 126.8962 37.52637
## 21 126.9654 37.53843
## 22 126.9291 37.60270
## 23 126.9794 37.57295
## 24 126.9979 37.56409
## 25 127.0927 37.60656

※지역구 별 주차가능대수와, 주차비 사이에는 양의 상관관계 존재

cor(info_by_ADDR$CAPA, info_by_ADDR$RATE)
## [1] 0.1200081
  1. 탐색석 자료분석 기반으로 시각화
  • 지역구 단위 서울 공영주차장 분포수준
color_variable = rep(2,length(info_by_ADDR$ADDR))
color_variable[info_by_ADDR$ADDR %in% (info_by_ADDR[,c(1,2)] %>% arrange(desc(CAPA)) %>% .[1:5,1])] = 1
color_variable[info_by_ADDR$ADDR %in% (info_by_ADDR[,c(1,2)] %>% arrange(desc(CAPA)) %>% .[21:25,1])] = 3

map3 = SeoulMap +
  geom_point(aes(x = lon, y = lat, colour = as.character(color_variable), size = CAPA), data = info_by_ADDR) + 
  theme(legend.title=element_text(size=8), legend.text = element_text(size = 7)) +
  scale_colour_manual(values = c(brewer.pal(3,'Pastel1')), labels = c('상위5','중간','하위5')) + 
  scale_size(range=c(1,20)) +
  geom_text(data=info_by_ADDR, mapping=aes(x=lon, y=lat, label=ADDR), size=3) + 
  guides(size = FALSE, color = guide_legend('상위/하위 5')) +
  coord_equal()

map3

info_by_ADDR[,c(1,2)] %>% arrange(desc(CAPA)) %>% .[c(1:5, 21:25),]
##        ADDR CAPA
## 1  영등포구 5107
## 2    강남구 4602
## 3    양천구 4523
## 4    서초구 3185
## 5    성동구 3093
## 21   성북구  865
## 22   도봉구  734
## 23   동작구  529
## 24 서대문구  268
## 25   강동구  248
  • 가구 수 대비 공영주차장 분포수준
color_variable = rep(2,length(info_by_ADDR$ADDR))
color_variable[info_by_ADDR$ADDR %in% (info_by_ADDR[,c(1,6)] %>% arrange(desc(CAPA_HOUSE)) %>% .[1:5,1])] = 1
color_variable[info_by_ADDR$ADDR %in% (info_by_ADDR[,c(1,6)] %>% arrange(desc(CAPA_HOUSE)) %>% .[21:25,1])] = 3


map4 = SeoulMap +
  geom_point(aes(x = lon, y = lat, colour = as.character(color_variable), size = CAPA_HOUSE), data = info_by_ADDR) + 
  theme(legend.title=element_text(size=8), legend.text = element_text(size = 7)) +
  scale_colour_manual(values = c(brewer.pal(3,'Pastel1')), labels = c('상위5','중간','하위5')) + 
  scale_size(range=c(1,20)) +
  geom_text(data=info_by_ADDR, mapping=aes(x=lon, y=lat, label=ADDR), size=3) + 
  guides(size = FALSE, color = guide_legend('상위/하위 5')) +
  coord_equal()

map4

info_by_ADDR[,c(1,6)] %>% arrange(desc(CAPA_HOUSE)) %>% .[c(1:5, 21:25),]
##        ADDR  CAPA_HOUSE
## 1      중구 0.046237030
## 2  영등포구 0.030718427
## 3    양천구 0.025573756
## 4    성동구 0.023525564
## 5    강남구 0.019671458
## 21   성북구 0.004598618
## 22   관악구 0.004253228
## 23   동작구 0.003058405
## 24 서대문구 0.001950325
## 25   강동구 0.001374464
  • 인구 수 대비 공영주차장 분포수준
color_variable = rep(2,length(info_by_ADDR$ADDR))
color_variable[info_by_ADDR$ADDR %in% (info_by_ADDR[,c(1,7)] %>% arrange(desc(CAPA_POP)) %>% .[1:5,1])] = 1
color_variable[info_by_ADDR$ADDR %in% (info_by_ADDR[,c(1,7)] %>% arrange(desc(CAPA_POP)) %>% .[21:25,1])] = 3


map5 = SeoulMap +
  geom_point(aes(x = lon, y = lat, colour = as.character(color_variable), size = CAPA_POP), data = info_by_ADDR) + 
  theme(legend.title=element_text(size=8), legend.text = element_text(size = 7)) +
  scale_colour_manual(values = c(brewer.pal(3,'Pastel1')), labels = c('상위5','중간','하위5')) + 
  scale_size(range=c(1,20)) +
  geom_text(data=info_by_ADDR, mapping=aes(x=lon, y=lat, label=ADDR), size=3) + 
  guides(size = FALSE, color = guide_legend('상위/하위 5')) +
  coord_equal()

map5

info_by_ADDR[,c(1,7)] %>% arrange(desc(CAPA_POP)) %>% .[c(1:5, 21:25),]
##        ADDR     CAPA_POP
## 1      중구 0.0206642678
## 2  영등포구 0.0126734944
## 3    성동구 0.0099188342
## 4    양천구 0.0094599880
## 5    용산구 0.0082701330
## 21   관악구 0.0020654413
## 22   성북구 0.0018833991
## 23   동작구 0.0012864254
## 24 서대문구 0.0008210482
## 25   강동구 0.0005473889
  1. 가결론 (분석)
  • 공영주차장의 밀집도가 높은 지역이 대체로 인구밀도가 높을 것이라 판단하여, 가구수 내지 인구 당 공영주차장 수는 다른 형태를 보여줄 것이라 예상하였으나, 크게 다르지 않은 모습을 보임
  • 지역구 별 총 주차장 수와 비례하여 통계치 비교가 의미 있을 것이라 판단하여 추가 분석 시행

서울 지역구 별 주차장 데이터 취합

서울 통계 사이트에서 동 별 주차장 자료를 수집하였고, 주소는 다음와 같습니다:
이하 데이터 수집/처리/시각화/분석 과정을 참조하여 주십시오.
  1. 데이터 수집
  • 데이터는 상기 사이트에서 xls 형식으로 다운 받음 (API 미지원)
library(xlsx)
vehicle = read.xlsx2('d:/github/r/visualization/final_proj/vehicle.xls', 1, encoding = 'utf-8', stringsAsFactors = FALSE)
  1. 데이터 전처리
  • 지역구 단위로 ‘자가용’과 ’주택가주차장’ 자료만 수집하여 기존 자료와 병합
vehicle = vehicle[c(-1,-2),c(2:4)]
colnames(vehicle) = c('ADDR', 'vehicle', 'PARK')
info_by_ADDR = left_join(info_by_ADDR,vehicle, by = 'ADDR')
for (i in 10:11) info_by_ADDR[,i] = as.integer(info_by_ADDR[,i])
  • 비교를 위해 신규 변수 ‘자가용 당 공영주차장 CAPA’와 ’공영주차장비율’ 생성
info_by_ADDR = mutate(info_by_ADDR, CAPA_car = CAPA/vehicle, Public_PARK = CAPA/PARK)
  1. 탐색석 자료분석 기반으로 시각화
  • ‘자가용 당 공영주차장CAPA’ 순위 별 지역구 비교
color_variable = rep(2,length(info_by_ADDR$ADDR))
color_variable[info_by_ADDR$ADDR %in% (info_by_ADDR[,c(1,12)] %>% arrange(desc(CAPA_car)) %>% .[1:5,1])] = 1
color_variable[info_by_ADDR$ADDR %in% (info_by_ADDR[,c(1,12)] %>% arrange(desc(CAPA_car)) %>% .[21:25,1])] = 3


map6 = SeoulMap +
  geom_point(aes(x = lon, y = lat, colour = as.character(color_variable), size = CAPA_car), data = info_by_ADDR) + 
  theme(legend.title=element_text(size=8), legend.text = element_text(size = 7)) +
  scale_colour_manual(values = c(brewer.pal(3,'Pastel1')), labels = c('상위5','중간','하위5')) + 
  scale_size(range=c(1,20)) +
  geom_text(data=info_by_ADDR, mapping=aes(x=lon, y=lat, label=ADDR), size=3) + 
  guides(size = FALSE, color = guide_legend('상위/하위 5')) +
  coord_equal()

map6

info_by_ADDR[,c(1,12)] %>% arrange(desc(CAPA_car)) %>% .[c(1:5, 21:25),]
##        ADDR    CAPA_car
## 1      중구 0.071370999
## 2  영등포구 0.044804534
## 3    성동구 0.039981386
## 4    양천구 0.037025516
## 5    용산구 0.031387897
## 21   노원구 0.009525591
## 22   성북구 0.009001041
## 23   동작구 0.005921067
## 24 서대문구 0.003913551
## 25   강동구 0.002275730
  • 지역구 별 공영주차장 비율 비교
library(scatterpie)

info_by_ADDR$radius = info_by_ADDR$Public_PARK/3
info_by_ADDR = mutate(info_by_ADDR, private_park = PARK-CAPA)
write.csv(info_by_ADDR, 'd:/github/r/visualization/final_proj/info_by_ADDR.csv')

map7 = SeoulMap +
  geom_scatterpie(aes(x = lon, y = lat, r= radius), data = info_by_ADDR, cols = c('CAPA','private_park'), alpha = .7, color = NA) + 
  geom_text(data=info_by_ADDR, mapping=aes(x=lon, y=lat, label=ADDR), size=3) + 
  coord_equal()

map7

info_by_ADDR[,c(1,13)] %>% arrange(desc(Public_PARK)) %>% .[c(1:5, 21:25),]
##        ADDR Public_PARK
## 1      중구 0.086369643
## 2  영등포구 0.056594783
## 3    성동구 0.038331887
## 4    양천구 0.038076557
## 5    금천구 0.036493739
## 21   도봉구 0.008589919
## 22   성북구 0.007782626
## 23   동작구 0.005804703
## 24 서대문구 0.003721809
## 25   강동구 0.002009969
  1. 가결론 (분석)
  • 지역구 별 공영주차장의 밀집도는 주거환경과 관련된 변수들(가구수, 인구, 자가용 수, 외 주택주차장)과 직접적인 연관성을 찾기 어려움
  • 오히려 시각적 분석 결과 유동인구가 많고 임대료가 높은 지역에 공영주차장 비율뿐 아니라 실제 주차가능 공간도 더 많이 배정되있는 것을 발견할 수 있음
  • 공영주차장의 목적은 주거주차장의 보조 역할이 아니라, 시민들의 이동 간 편의 제공을 위함이라고 볼 수도 있음
  • 이를 검증하기 위해서 유동인구 및 임대료 등의 자료 수집과 분석이 필요 할 것

SHINY 활용 시각화

상단의 map 자료 Shiny에 적용

library(shiny)

map_list = c('주차장분포', '주차장분포+heatmap','지역구 단위 분포도','가구수 대비 분포도','인구수 대비 분포도','등록 자가용 대비 분포도','전체 주차장 대비 공영주차장 비유')

ui = fluidPage(
  headerPanel('서울시내 공영주차장 분포도'),
  sidebarPanel(selectInput('maptype', '분포도', map_list )),
  mainPanel(
    plotOutput('map')
  )
)

server = function(input, output)
{
  output$map <- renderPlot({
    if(input$maptype =='주차장분포') map1
    else if (input$maptype =='주차장분포+heatmap') map2
    else if (input$maptype =='지역구 단위 분포도') map3
    else if (input$maptype =='가구수 대비 분포도') map4
    else if (input$maptype =='인구수 대비 분포도') map5
    else if (input$maptype =='등록 자가용 대비 분포도') map6
    else map7
  })
}

shinyApp(ui = ui, server= server)
Shiny applications not supported in static R Markdown documents